论文部分内容阅读
煤矿资源对我国经济可持续发展意义重大,准确获取矿区地物信息是煤矿安全生产的前提。传统基于人工野外勘测的调查方式存在耗时耗力、成本高、精度低等缺陷,针对该问题本文研究了基于深度学习的无人机矿区高清影像的矿区地物提取方法,并在此基础上研究了融合矿区DSM高程数据以增加矿区地物提取精度的方法。本文提出了三种方法将矿区高清影像数据和DSM高程数据进行融合。首先采用类IHS变换将RGB影像与DSM数据进行像素融合,得到类RGB图像的三通道特征数据,输入到深度学习网络中进行地物提取。其次不改变RGB和DSM数据,将其直接处理成四通道特征数据,输入到深度学习网络中,利用网络自身的特征融合功能,在特征层进行数据融合。最后提出一种双分支网络,分别提取RGB影像和DSM高程数据的特征,在最后决策阶段融合各分支的提取特征进行地物提取。论文使用了三种当前主流深度学习网络,U-Net、双边分割网络（Bi Se Net）和高分辨率网络（HRNet）,通过实验横向对比了不同网络之间对矿区地物的提取效果,纵向对比了网络在融合DSM高程数据前后的提取效果。同时论文将挤压与激励模块（SE Block）加入深度学习模型,验证了注意力机制对矿区地物提取的提升作用。实验结果表明,本文所提出的三种DSM高程数据融合方式和原始RGB影像数据处理相比,均能够提升矿区地物提取的准确率,模型识别精准度的指标均有提升。其中U-Net模型处理四通道数据相比RGB数据整体像素精度提升9.36个百分点,平均像素精度提升63.25个百分点。三种融合方式中双分支网络的整体像素精度最高,达到95.51%,平均像素精度为90.44%。SE Block对大部分模型也能提升最终的准确率,Bi Se Net模型在加入SE Block之后,整体像素精度提升11.16个百分点,平均像素精度提升26.77个百分点。实验中SE Bi Se Net模型分割效果最好,其在测试集中整体像素精度为95.35%、平均像素精度为93.11%、Kappa系数为:0.8301。